Resultados: 3
#2
au:Pinheiro, Milena Afonso
Filtros
Ordenar por
Página
de 1
Próxima
1.
Emergency department use and Artificial Intelligence in Pelotas: design and baseline results
Facebook Twitter
Facebook Twitter
- Outras redes sociais
- Google+
- StambleUpon
- CiteULike
- Mendeley
- Outras redes
- Métricas
Delpino, Felipe Mendes
; Figueiredo, Lílian Munhoz
; Costa, Ândria Krolow
; Carreno, Ioná
; Silva, Luan Nascimento da
; Flores, Alana Duarte
; Pinheiro, Milena Afonso
; Silva, Eloisa Porciúncula da
; Marques, Gabriela Ávila
; Saes, Mirelle de Oliveira
; Duro, Suele Manjourany Silva
; Facchini, Luiz Augusto
; Vissoci, João Ricardo Nickenig
; Flores, Thaynã Ramos
; Demarco, Flávio Fernando
; Blumenberg, Cauane
; Chiavegatto Filho, Alexandre Dias Porto
; Silva, Inácio Crochemore da
; Batista, Sandro Rodrigues
; Arcêncio, Ricardo Alexandre
; Nunes, Bruno Pereira
.
RESUMO Objetivo: To describe the initial baseline results of a population-based study, as well as a protocol in order to evaluate the performance of different machine learning algorithms with the objective of predicting the demand for urgent and emergency services in a representative sample of adults from the urban area of Pelotas, Southern Brazil. Methods: The study is entitled “Emergency department use and Artificial Intelligence in PELOTAS (RS) (EAI PELOTAS)” (https://wp.ufpel.edu.br/eaipelotas/). Between September and December 2021, a baseline was carried out with participants. A follow-up was planned to be conducted after 12 months in order to assess the use of urgent and emergency services in the last year. Afterwards, machine learning algorithms will be tested to predict the use of urgent and emergency services over one year. Results: In total, 5,722 participants answered the survey, mostly females (66.8%), with an average age of 50.3 years. The mean number of household people was 2.6. Most of the sample has white skin color and incomplete elementary school or less. Around 30% of the sample has obesity, 14% diabetes, and 39% hypertension. Conclusion: The present paper presented a protocol describing the steps that were and will be taken to produce a model capable of predicting the demand for urgent and emergency services in one year among residents of Pelotas, in Rio Grande do Sul state.
RESUMO Objetivo: Descrever os resultados iniciais da linha de base de um estudo de base populacional, bem como um protocolo para avaliar o desempenho de diferentes algoritmos de aprendizado de máquina, com o objetivo de predizer a demanda de serviços de urgência e emergência em uma amostra representativa de adultos da zona urbana de Pelotas, no Sul do Brasil. Métodos: O estudo intitula-se “Emergency department use and Artificial Intelligence in PELOTAS (RS) (EAI PELOTAS)” (https://wp.ufpel.edu.br/eaipelotas/). Entre setembro e dezembro de 2021, foi realizada uma linha de base com os participantes. Está previsto um acompanhamento após 12 meses para avaliar a utilização de serviços de urgência e emergência no último ano. Em seguida, serão testados algoritmos de machine learning para predizer a utilização de serviços de urgência e emergência no período de um ano. Resultados: No total, 5.722 participantes responderam à pesquisa, a maioria do sexo feminino (66,8%), com idade média de 50,3 anos. O número médio de pessoas no domicílio foi de 2,6. A maioria da amostra tem cor da pele branca e ensino fundamental incompleto ou menos. Cerca de 30% da amostra estava com obesidade, 14% com diabetes e 39% eram hipertensos. Conclusão: O presente trabalho apresentou um protocolo descrevendo as etapas que foram e serão tomadas para a produção de um modelo capaz de prever a demanda por serviços de urgência e emergência em um ano entre moradores de Pelotas, no estado do Rio Grande do Sul.
2.
Emergency department use and Artificial Intelligence in Pelotas: design and baseline results
Facebook Twitter
Facebook Twitter
- Outras redes sociais
- Google+
- StambleUpon
- CiteULike
- Mendeley
- Outras redes
- Métricas
Delpino, Felipe Mendes
; Figueiredo, Lílian Munhoz
; Costa, Ândria Krolow
; Carreno, Ioná
; Silva, Luan Nascimento da
; Flores, Alana Duarte
; Pinheiro, Milena Afonso
; Silva, Eloisa Porciúncula da
; Marques, Gabriela Ávila
; Saes, Mirelle de Oliveira
; Duro, Suele Manjourany Silva
; Facchini, Luiz Augusto
; Vissoci, João Ricardo Nickenig
; Flores, Thaynã Ramos
; Demarco, Flávio Fernando
; Blumenberg, Cauane
; Chiavegatto Filho, Alexandre Dias Porto
; Silva, Inácio Crochemore da
; Batista, Sandro Rodrigues
; Arcêncio, Ricardo Alexandre
; Nunes, Bruno Pereira
.
RESUMO Objetivo: Descrever os resultados iniciais da linha de base de um estudo de base populacional, bem como um protocolo para avaliar o desempenho de diferentes algoritmos de aprendizado de máquina, com o objetivo de predizer a demanda de serviços de urgência e emergência em uma amostra representativa de adultos da zona urbana de Pelotas, no Sul do Brasil. Métodos: O estudo intitula-se “Emergency department use and Artificial Intelligence in PELOTAS (RS) (EAI PELOTAS)” (https://wp.ufpel.edu.br/eaipelotas/). Entre setembro e dezembro de 2021, foi realizada uma linha de base com os participantes. Está previsto um acompanhamento após 12 meses para avaliar a utilização de serviços de urgência e emergência no último ano. Em seguida, serão testados algoritmos de machine learning para predizer a utilização de serviços de urgência e emergência no período de um ano. Resultados: No total, 5.722 participantes responderam à pesquisa, a maioria do sexo feminino (66,8%), com idade média de 50,3 anos. O número médio de pessoas no domicílio foi de 2,6. A maioria da amostra tem cor da pele branca e ensino fundamental incompleto ou menos. Cerca de 30% da amostra estava com obesidade, 14% com diabetes e 39% eram hipertensos. Conclusão: O presente trabalho apresentou um protocolo descrevendo as etapas que foram e serão tomadas para a produção de um modelo capaz de prever a demanda por serviços de urgência e emergência em um ano entre moradores de Pelotas, no estado do Rio Grande do Sul.
RESUMO Objetivo: To describe the initial baseline results of a population-based study, as well as a protocol in order to evaluate the performance of different machine learning algorithms with the objective of predicting the demand for urgent and emergency services in a representative sample of adults from the urban area of Pelotas, Southern Brazil. Methods: The study is entitled “Emergency department use and Artificial Intelligence in PELOTAS (RS) (EAI PELOTAS)” (https://wp.ufpel.edu.br/eaipelotas/). Between September and December 2021, a baseline was carried out with participants. A follow-up was planned to be conducted after 12 months in order to assess the use of urgent and emergency services in the last year. Afterwards, machine learning algorithms will be tested to predict the use of urgent and emergency services over one year. Results: In total, 5,722 participants answered the survey, mostly females (66.8%), with an average age of 50.3 years. The mean number of household people was 2.6. Most of the sample has white skin color and incomplete elementary school or less. Around 30% of the sample has obesity, 14% diabetes, and 39% hypertension. Conclusion: The present paper presented a protocol describing the steps that were and will be taken to produce a model capable of predicting the demand for urgent and emergency services in one year among residents of Pelotas, in Rio Grande do Sul state.
3.
Atualização da Diretriz de Ressuscitação Cardiopulmonar e Cuidados Cardiovasculares de Emergência da Sociedade Brasileira de Cardiologia - 2019
Facebook Twitter
Facebook Twitter
- Outras redes sociais
- Google+
- StambleUpon
- CiteULike
- Mendeley
- Outras redes
- Métricas
Bernoche, Claudia
; Timerman, Sergio
; Polastri, Thatiane Facholi
; Giannetti, Natali Schiavo
; Siqueira, Adailson Wagner da Silva
; Piscopo, Agnaldo
; Soeiro, Alexandre de Matos
; Reis, Amélia Gorete Afonso da Costa
; Tanaka, Ana Cristina Sayuri
; Thomaz, Ana Maria
; Quilici, Ana Paula
; Catarino, Andrei Hilário
; Ribeiro, Anna Christina de Lima
; Barreto, Antonio Carlos Pereira
; Azevedo Filho, Antonio Fernando Barros de
; Pazin Filho, Antonio
; Timerman, Ari
; Scarpa, Bruna Romanelli
; Timerman, Bruno
; Tavares, Caio de Assis Moura
; Martins, Cantidio Soares Lemos
; Serrano Junior, Carlos Vicente
; Malaque, Ceila Maria Sant’Ana
; Pisani, Cristiano Faria
; Batista, Daniel Valente
; Leandro, Daniela Luana Fernandes
; Szpilman, David
; Gonçalves, Diego Manoel
; Paiva, Edison Ferreira de
; Osawa, Eduardo Atsushi
; Lima, Eduardo Gomes
; Adam, Eduardo Leal
; Peixoto, Elaine
; Evaristo, Eli Faria
; Azeka, Estela
; Silva, Fabio Bruno da
; Wen, Fan Hui
; Ferreira, Fatima Gil
; Lima, Felipe Gallego
; Fernandes, Felipe Lourenço
; Ganem, Fernando
; Galas, Filomena Regina Barbosa Gomes
; Tarasoutchi, Flavio
; Souza, Germano Emilio Conceição
; Feitosa Filho, Gilson Soares
; Foronda, Gustavo
; Guimarães, Helio Penna
; Abud, Isabela Cristina Kirnew
; Leite, Ivanhoé Stuart Lima
; Linhares Filho, Jaime Paula Pessoa
; Moraes Junior, João Batista de Moura Xavier
; Falcão, João Luiz Alencar de Araripe
; Ramires, Jose Antônio Franchini
; Cavalini, José Fernando
; Saraiva, José Francisco Kerr
; Abrão, Karen Cristine
; Pinto, Lecio Figueira
; Bianchi, Leonardo Luís Torres
; Lopes, Leonardo Nícolau Geisler Daud
; Piegas, Leopoldo Soares
; Kopel, Liliane
; Godoy, Lucas Colombo
; Tobase, Lucia
; Hajjar, Ludhmila Abrahão
; Dallan, Luís Augusto Palma
; Caneo, Luiz Fernando
; Cardoso, Luiz Francisco
; Canesin, Manoel Fernandes
; Park, Marcelo
; Rabelo, Marcia Maria Noya
; Malachias, Marcus Vinícius Bolívar
; Gonçalves, Maria Aparecida Batistão
; Almeida, Maria Fernanda Branco de
; Souza, Maria Francilene Silva
; Favarato, Maria Helena Sampaio
; Carrion, Maria Julia Machline
; Gonzalez, Maria Margarita
; Bortolotto, Maria Rita de Figueiredo Lemos
; Macatrão-Costa, Milena Frota
; Shimoda, Mônica Satsuki
; Oliveira-Junior, Mucio Tavares de
; Ikari, Nana Miura
; Dutra, Oscar Pereira
; Berwanger, Otávio
; Pinheiro, Patricia Ana Paiva Corrêa
; Reis, Patrícia Feitosa Frota dos
; Cellia, Pedro Henrique Moraes
; Santos Filho, Raul Dias dos
; Gianotto-Oliveira, Renan
; Kalil Filho, Roberto
; Guinsburg, Ruth
; Managini, Sandrigo
; Lage, Silvia Helena Gelas
; Yeu, So Pei
; Franchi, Sonia Meiken
; Shimoda-Sakano, Tania
; Accorsi, Tarso Duenhas
; Leal, Tatiana de Carvalho Andreucci
; Guimarães, Vanessa
; Sallai, Vanessa Santos
; Ávila, Walkiria Samuel
; Sako, Yara Kimiko
.
Arquivos Brasileiros de Cardiologia
- Métricas do periódico
https://doi.org/10.5935/abc.20190203
54793 downloads
Exibindo
itens por página
Página
de 1
Próxima
Visualizar estatísticas de
Enviar resultado
Exportar resultados
Sem resultados
Não foram encontrados documentos para sua pesquisa
Glossário e ajuda para busca
Você pode enriquecer sua busca de uma forma muito simples. Use os índices de pesquisa combinados com os conectores (AND ou OR) e especifique cada vez mais sua busca.
Por exemplo, se você deseja buscar artigos sobre
casos de dengue no Brasil em 2015, use:ti:dengue and publication_year:2015 and aff_country:Brasil
Veja abaixo a lista completa de índices de pesquisa que podem ser usados:
Cód. do Índice | Elemento |
---|---|
ti | título do artigo |
au | autor |
kw | palavras-chave do artigo |
subject | assunto (palavras do título, resumo e palavras-chave) |
ab | resumo |
ta | título abreviado da revista (ex. Cad. Saúde Pública) |
journal_title | título completo da revista (ex. Cadernos de Saúde Pública) |
la | código do idioma da publicação (ex. pt - Português, es - Espanhol) |
type | tipo do documento |
pid | identificador da publicação |
publication_year | ano de publicação do artigo |
sponsor | financiador |
aff_country | código do país de afiliação do autor |
aff_institution | instituição de afiliação do autor |
volume | volume do artigo |
issue | número do artigo |
elocation | elocation |
doi | número DOI |
issn | ISSN da revista |
in | código da coleção SciELO (ex. scl - Brasil, col - Colômbia) |
use_license | código da licença de uso do artigo |